Powiadomienia systemowe
- Sesja wygasła!
- Sesja wygasła!
Tytuł artykułu
Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
Water demand forecasting using machine learning
Języki publikacji
Abstrakty
Prognozowanie zużycia wody jest niezbędnym elementem racjonalnej eksploatacji systemów wodociągowych. W ostatnich latach obserwuje się wzrost zainteresowania numerycznymi metodami do predykcji zużycia wody WDF (ang. Water Demand Forecasting), pozwalającymi sporządzać prognozy krótko-, średnio- i długoterminowe. Opracowane prognozy służą do wspomagania podejmowania decyzji związanych z projektowaniem, rozbudową, konserwacją sieci wodociągowych oraz wdrażania procedur umożliwiających optymalizację pracy pompowni, stacji uzdatniania wód i oczyszczalni ścieków. W artykule opisano zastosowanie metod inteligencji obliczeniowej i uczenia maszynowego do prognozowania wielkości zapotrzebowania na wodę. Przedstawiono wyniki prognozy wykonanej przy użyciu regresji nieliniowej, opartej na wektorach wsparcia SVR (ang. Support Vector Regression) z funkcjami jądrowymi określonymi przez radialne funkcje bazowe RBF (ang. Radial Basis Functions). Poddano analizie wpływ sytuacji meteorologicznej na wielkość poboru wody dla dwóch wrocławskich stref DMA (ang. District Metered Area), różniących się typem zabudowy. Wykazano, że celowe jest uwzględnienie maksymalnej dobowej temperatury powietrza atmosferycznego podczas ustalania wielkości zapotrzebowania na wodę. Dowiedziono, że usuwanie trendów i sezonowości z danych pomiarowych pozwala polepszyć wyniki predykcji. Przedstawiony model prognozowania poborów wody może stanowić jedno z narzędzi usprawniających procesy decyzyjne na poziomie zarządzania i eksploatacji sieci wodociągowych.
Predicting water consumption is an important issue at the stage of water systems operation. In recent years, some numerical WDF (Water Demand Forecasting) water consumption prediction systems have been created, which allow to foresee consumption rates for short, medium and long terms. The forecasts support decision-making process concerning the design, expansion and maintenance of water systems and the implementation of procedures optimizing the operation of pumping stations, water treatment and sewage treatment plants. The article describes the use of computational intelligence and machine learning to predict water demand rates. The results of a forecast prepared with the use of nonlinear regression based on Support Vector Regression (SVR) with kernel functions defined by Radial Basis Functions (RBF) are presented. The influence of weather situation on water consumption rates for two District Metered Areas (DMA) in Wrocław, each with different land development conditions, was analysed. It was proved that it is advisable to take the maximum daily temperature into account while estimating water demand rates. It was shown that skipping trends and seasonality in measuring data allows to create better prediction models. The water consumption prediction model presented may be regarded as one of the tools facilitating decision-making processes at management and water system utilisation levels.
Wydawca
Czasopismo
Rocznik
Tom
Strony
372--377
Opis fizyczny
Bibliogr. 22 poz., rys., tab.
Twórcy
autor
- Instytut Inżynierii Środowiska, Uniwersytet Przyrodniczy we Wrocławiu, pl. Grunwaldzki 24, 50-363 Wrocław
autor
- Instytut Inżynierii Środowiska, Uniwersytet Przyrodniczy we Wrocławiu, pl. Grunwaldzki 24, 50-363 Wrocław
autor
- Instytut Inżynierii Środowiska, Uniwersytet Przyrodniczy we Wrocławiu, pl. Grunwaldzki 24, 50-363 Wrocław
autor
- Pracownia Inteligencji Obliczeniowej, Instytut Informatyki, Uniwersytet Wrocławski, ul. Joliot-Curie 15, 50-383 Wrocław
autor
- Pracownia Inteligencji Obliczeniowej, Instytut Informatyki, Uniwersytet Wrocławski, ul. Joliot-Curie 15, 50-383 Wrocław
autor
- Centrum Nowych Technologii, Miejskie Przedsiębiorstwo Wodociągów i Kanalizacji S.A. we Wrocławiu, ul. Na Grobli 14/16, 50-421 Wrocław
Bibliografia
- [1] Alvisi S., Franchini M. 2014. “Assessment of the Predictive Uncertainty within the Framework of Water Demand Forecasting by using the Model Conditional Processor” Procedia Engineering 89: 893-900.
- [2] Bakker M., van Duist H., van Schagen K., Vreeburg J., Rietveld L. 2014. “Improving the Performance of Water Demand Forecasting Models by Using Weather Input”. Procedia Engineering 70: 93-102.
- [3] Bishop C.M. 2006. “Pattern recognition and Machine Learning (Information Science and Statistics)” Springer-Verlag New York, Inc. Secaucus, NJ, USA.
- [4] Brentan B.M., Luvizotto Jr. E., Herrera M., Izquierdo J., Pérez-Garcia R. 2017. “Hybrid regression model for near real-time urban water demand forecasting” Journal of Computational and Applied Mathematics 309: 532-541.
- [5] Breyer B., Chang H. 2014. “Urban water consumption and weather variation in the Portland, Oregon metropolitan area’ Urban Climate 9: 1-19.
- [6] Candelieri A., Archetti F. 2014. “Identifying Typical Urban Water Demand Patterns for a Reliable Short-Term Forecasting - The Icewater Project Approach”. Procedia Engineering 89: 1004-1012.
- [7] Candelieri A., Soldi D., Archetti F. 2015. “Layered Machine Learning For Short-Term Water Demand Forecasting” Environmental Engineering and Management Journal 14/9: 2061-2072.
- [8] Cieżak W., Siwoń Z., Cieżak J. 2008. „Modelowanie poboru wody w osiedlach mieszkaniowych” Ochrona Środowiska 30/2: 23-28.
- [9] Cortes C., Vapnik V. 1995. “Support-Vector Networks”. Machine Learning 20/3: 273-297.
- [10] Gato S., Jayasuriya N., Roberts P. 2007. “Temperature and rainfall thresh-olds for base use urban water demand modelling” Journal of Hydrology 337: 364-376.
- [11] Ghiassi M., Faal F., Abrishamchi A. 2016. “Large metropolitan water demand forecasting using DAN2, FTDNN, and KNN models: A case study of the city of Tehran, Iran. Urban Water Journal 9/13: 1-5.
- [12] Hotloś H. 2013. „Analiza wpływu czynników meteorologicznych na zmienność poboru wody w miejskim systemie wodociągowym”. Ochrona Środowiska 35/2: 57-62.
- [13] Hotloś H., Głowacka J., Kołodziej A. 2012. „Zmienność poboru wody w systemie wodociągowym Wrocławia” Ochrona Środowiska 34/4: 23-28.
- [14] Łomotowski J., Siwoń Z. 2010. „Metodyka analizy danych pochodzących z monitoringu systemów wodociągowych i kanalizacyjnych” Gaz, Woda i Technika Sanitarna 3: 16-20.
- [15] Perzyńska J. 2015. „Wybrane mierniki trafności prognoz ex post w wyznaczaniu prognoz kombinowanych” Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica 81: 125-132.
- [16] Praskievicz S., Chang H. 2009. “Identifying the Relationships Between Urban Water Consumption and Weather Variables in Seoul, Korea.” Physical Geography 30/4: 324-337.
- [17] Rojek I. 2007. „Model neuronowy do prognozowania poboru wody w sieci wodociągowej”. Polskie Stowarzyszenie Zarządzania Wiedzą. Seria: Studia i Materiały 10: 173-180.
- [18] Ruth M., Bernier C., Jollands N., Golubiewski N. 2007. “Adaptation of urban water supply infrastructure to impacts from climate and socioeconomic changes: The case of Hamilton” New Zealand. Water Resources Management 21: 1031-1045.
- [19] Siwoń Z., Cieżak W., Cieżak J. 2005. „Stochastyczne modele godzinowego poboru wody w wybranym systemie wodociągowym” Ochrona Środowiska 27/1: 7-13.
- [20] stat.gov.pl/vademecum/vademecum_dolnoslaskie/portrety_miast/miasto_ Wroclaw.pdf.
- [21] Tiwari M.K., Adamowski J.F. 2015. “Medium-Term Urban Water Demand Forecasting with Limited Data Using an Ensemble Wavelet-Bootstrap Mchine-Learning Approach”. Journal of Water Resources Planning and Management 141/2: 1-12.
- [22] Vieira P., Jorge C., Covas D. 2017. “Assessment of household water use efficiency using performance indices”. Resources, Conservation and Recycling 116: 94-106.
Uwagi
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-42f2db2a-44a7-4e70-8d82-fa27fdd2463f